Fast R-CNN

Fast R-CNN是在R-CNN和SPP-Net的基础上改良而来的。

R-CNN的缺点

a，步骤繁琐

首先需要对输入的数据进行wrap或者crop，从而将数据变为fix的输入（224*224）

然后对于输入的每一个proposal，通过5个卷积网络和2个全连接网络进行训练

而且还需要使用SVM对数据进行fine tuning

最后还需要对bbox进行回归学习

b，占用空间和时间

在SVM和bbox回归时，从图片中获取的特征都需要保存到硬盘

c，监测目标时的速度较慢

SPP-Net的优缺点

a，从输入图片中计算feature maps，从而避免RCNN式的对proposal数据进行重复计算

b，特征每次从该图片的feature maps中提取，但是提取的数据还是要保存到硬盘，因此也比较占空间

c，步骤也比较繁琐

首先需要提取feature maps

然后从feature maps中提取特征vector

而且还需要使用SVM对数据进行fine tuning，

训练时，只能够调节全连接层的参数，对于卷积层，不做操作，因此牺牲了算法的准确性。

最后还需要对bbox进行回归学习

Fast R-CNN，解决了以上两种算法，步骤繁琐，占用空间的问题，提升主要有以下4个方面

a，更好的检测质量

b，训练数据时，但多任务损失，单阶段，

c，训练时，可以调节所有层级的参数

d，不需要将特征保存在硬盘